Desarrollo de metodologías basadas en aprendizaje automático para el modelado hidrodinámico a escala local y su aplicación en la Bahía de Santander

Abstract

Modelado hidrodinámico, Downscaling, La conservación y el uso sostenible de los océanos y mares son prioridades reconocidas a nivel internacional para alcanzar los Objetivos de Desarrollo Sostenible establecidos en la Agenda 2030. Para la gestión de los ecosistemas costeros, es fundamental contar con una estimación de las corrientes de alta resolución, tanto de periodos históricos (hindcast) como futuros (forecast). Obtenerla mediante modelado numérico (enfoque tradicional) resulta muy costoso computacionalmente, y puede ser inviable en ciertos casos. Para abordar la necesidad de contar con estimaciones precisas y de alta resolución de corrientes marinas, reduciendo el coste computacional, este Trabajo de Fin de Máster (TFM) se centra en el desarrollo de metodologías para el modelado hidrodinámico a escala local (p. ej. puertos, bahías, estuarios), utilizando diferentes técnicas de aprendizaje automático, y el análisis comparativo de las mismas. Se ha seleccionado como caso de estudio para la aplicación de las metodologías la Bahía de Santander, y se han considerado como variables objetivo el nivel del mar y las velocidades superficiales de la corriente (ambas componentes). Las tareas realizadas incluyen (i) la revisión exhaustiva del estado del conocimiento, (ii) la selección de forzamientos relevantes (predictores), (iii) el modelado numérico con el software Delft3D para obtener los predictandos, y (iv) la implementación y validación de diferentes técnicas de aprendizaje automático, prestando especial atención a la optimización de hiperparámetros. Todas las técnicas evaluadas han demostrado ser competitivas en el modelado de corrientes y nivel del mar, con las ventajas que eso conlleva respecto al uso de modelos numéricos tradicionales en términos de coste computacional. Entre ellas, destacan las redes neuronales recurrentes long short-term memory (RNN-LSTM) por su precisión en la predicción, y por la capacidad de extrapolación espacial de las configuraciones óptimas de hiperparámetros obtenidas.